夜雨聆风凌晨12点半，我干了件很"轴"的事。
给WorkBuddy（我的AI工作伙伴）下了一个电机设计任务：12V直流永磁电机，外径30mm，长度70mm，堵转扭矩0.1Nm，空载转速5000rpm。
本来以为它会给三个方案让我选。结果它干了件让我从沙发上坐起来的事——
它算了三轮，换了三种磁钢结构，最后告诉我："做不到。"
不是"需要优化"那种委婉的"做不到"，是带着完整计算过程、搬出陈世坤《电机设计》第二版的电机常数公式，告诉我"这是物理问题，不是设计问题"。
说实话，这才是AI在工程领域真正该做的事。
AI不是拍脑袋说"做不到"的。它是这么推的：
第一步，算反电动势常数。空载5000rpm → 角速度523.6rad/s → K_E = 12V/523.6 = 0.02292 V·s/rad。这是硬指标，跑不掉。
第二步，算堵转电流和电阻。T_stall = K_T × I_stall，K_T=K_E=0.02292 Nm/A → I_stall = 0.1/0.02292 = 4.36A。电枢电阻必须低到 R_a = (12-1.5)/4.36 = 2.41Ω。这个数也很明确。
第三步，算需要的总导体数。N·Φ = K_E×60 = 1.375。Φ 被磁钢和气隙框死了——即使用最顶级的 N52SH Halbach 阵列，每极磁通也就 8.7×10⁻⁴ Wb。所以 N≈158。
到这里还没问题。真正的死穴在下一步。
第四步，算能不能放下这么多线。Φ22mm的转子，12个槽，槽满率35%，总共能塞进去的铜面积约45mm²。每个导体需要截面积 A_cond = Cu_total / N = 45/158 = 0.285mm²，直径0.6mm，AWG22——看起来还行。
但问题来了：电枢电阻 R_a = N·ρ·l_mean / (a²·A_cond)，对于叠绕组 a=1，R_a = 158 × 1.72×10⁻⁸ × 0.12 / 2.85×10⁻⁷ ≈ 11.4Ω。
11.4Ω，是目标 2.41Ω 的 4.7倍。
你可能会说："那用更粗的线啊，N再少一点啊。"
N不能少。 N少了，每极磁通不够反电动势，空载转速直接跑飞，电压12V时转速会飙到20000+rpm，但堵转扭矩掉到地板上。
线不能更粗。 再粗就塞不进槽里了。槽型已经被Φ22mm转子和5mm轴的物理空间框死。槽深7mm，槽口3mm——这就是天花板。
三个约束互相锁死：反电动势要求 N≥X → 电阻要求线径≥Y → 槽面积限制 Y≤Z。X、Y、Z没有一个能让步。
三轮迭代的数据
AI没有停在第一次失败。它换了三种磁钢结构，两种绕线方式，三轮迭代：
第一轮——最乐观的参数，但槽满率104%，物理上装不进槽里。
第二轮——换N52SH Halbach磁钢，磁通翻倍，匝数减半，结果电阻还是太高，扭矩只有目标的10%。
第三轮——双线并绕，最大化槽满率到78%，电阻降不下来，扭矩6%的目标值。
6%。不是60%，是6%。
三轮算下来，能用的手段全用了——N52SH Halbach是商用的天花板了，双线并绕是槽形利用率的极限了。代价呢？成本翻倍，换回来6%的扭矩。
说白了，Φ30mm的PMDC直驱电机的物理上限就摆在那——堵转扭矩约0.005-0.007Nm。你要0.1Nm，差了15-20倍。这不是"再优化一下"能解决的问题。
为什么这个体验让我觉得AI有价值
不是因为它"说对了"。
是因为它展示了我如果在产线上收到这个规格要求时会做的完整推理过程——而且每一步都有公式、有出处、有物理边界。
我在汽车零部件行业干了12年，见过太多"供应商说能做到，做出来做不到"的情况。根因往往不是供应商偷懒，而是需求方和供应方都没有做第一性原理的可行性分析。需求方拍一个数，供应方先答应了再说，做到一半发现不对，互相扯皮。
AI在这件事上的价值不是"替代工程师"，而是"让可行性分析的成本降到几乎为零"。
传统做法：收到规格 → 工程师花2-3天手工计算/仿真 → 出可行性报告 → 和需求方对齐。
AI做法：收到规格 → 20分钟 → 三轮迭代的全套计算报告 → 明确的物理上限 + 替代方案。
我凌晨12点半开始搞，12:45拿到报告。15分钟。
报告中包括：
• 主要尺寸关系的严格推导（D²l_ef 电机常数） • 磁路计算（气隙磁密、每极磁通、漏磁系数） • 绕组设计（总导体数、每槽导体数、线径选择、槽满率校核） • 换向器/电刷参数 • 减速器方案设计 • 3D建模参考尺寸（机壳、转子、槽形、换向器、电刷的全尺寸表） • 供应商技术交流模板
这是可以直接拿给供应商开会用的。
AI给出的替代方案
它没有停在"做不到"。基于物理分析，给了三条可行的替代路径：
路径A（推荐）：BLDC + FOC驱动 + 3.6:1行星减速器。电机本体外径可缩到Φ26mm，BLDC扭矩密度高，电机端0.035Nm × 3.6 × 0.92效率 = 输出轴0.116Nm @ 5000rpm。代价是BOM增加¥30-50（FOC控制器）。
路径B：PMDC + 大减速比。电机端0.006Nm × 5.5 × 0.9 = 输出轴0.03Nm @ 2450rpm。扭矩只有目标的30%，转速不到一半。成本低但性能不满足。
路径C：增大电机外径到Φ40-45mm。D²翻倍，物理天花板提高约3-4倍，堵转扭矩可到0.02-0.03Nm。加个2-3:1轻减速即可达标。最直接的方案，代价是包络空间。
说回AI本身
这次体验让我重新理解了AI在工程领域的角色。
之前我用AI做的东西大多是"写文章""做PPT""处理数据"——属于"AI帮你做"的范畴。这次是"AI帮你判断一个东西能不能做"——属于"AI帮你想"。
两者的区别在于：前者AI是执行者，你给指令它执行；后者AI是协作者，你和它一起推演物理边界。
erci-chat-new这个技能背后是60+份素材、26万字的蒸馏——不只是我的技术知识，还有我的思维方式、工程判断逻辑。配合motor-expert技能（系统性的电机专业知识库），构成了一个"12年汽车老兵 × AI"的工程协作体。
它不是替你画图，它是替你确认：画图之前，这事到底靠不靠谱。
这个价值比"帮你写代码"大得多。因为写错了能改，方向错了全白干。
最后说一句
我凌晨写这篇文章的时候想了一句话，放在结尾：
AI不会取代工程师。但会用AI做第一性原理推演的工程师，会取代不会的。
不是因为AI聪明。是因为它替你做了那件你最不想做的事——在你投入100小时画图之前，先用15分钟告诉你能不能做。
Eric | 12年汽车零部件研发从业者 × AI实践者
这不是魔法，是工程。
